Amerikano
Модератор
- Сообщения
- 19,338
- Реакции
- 360,318
Автор: udemy
Название: Машинное обучение: Обработка естественного языка в Python (V2)
Добро пожаловать в раздел «Машинное обучение: Обработка естественного языка в Python» (V2). НЛП: Используйте марковские модели, NLTK, искусственный интеллект, глубокое обучение, машинное обучение и науку о данных в Python.
Это обширный курс 4-в-1, включающий:
1) Векторные модели и методы предварительной обработки текста
2) Вероятностные и марковские модели
3) Методы машинного обучения
4) Методы глубокого обучения и нейронных сетей
В части 1, посвященной векторным моделям и методам предварительной обработки текста, вы узнаете, почему векторы так важны в науке о данных и искусственном интеллекте. Вы узнаете о различных методах преобразования текста в векторы, таких как CountVectorizer и TF-IDF, и изучите основы методов встраивания нейронов, таких как word2vec и GloVe.
Затем вы примените полученные знания для выполнения различных задач, таких как:
Вы кратко познакомитесь с классическими задачами НЛП, такими как тегирование частей речи.
Во второй части, посвященной вероятностным и марковским моделям, вы узнаете об одной из самых важных моделей во всей науке о данных и машинном обучении за последние 100 лет. Он применялся во многих областях помимо НЛП, таких как финансы, биоинформатика и обучение с подкреплением.
В этом курсе вы увидите, как такие вероятностные модели можно использовать различными способами, например:
В части 3, посвященной методам машинного обучения, вы узнаете больше о классических задачах НЛП, таких как:
Конечно, вам все равно нужно кое-что узнать об этих алгоритмах, чтобы понять, что происходит. Будут использоваться следующие алгоритмы:
В части 4, посвященной методам глубокого обучения, вы узнаете о современных архитектурах нейронных сетей, которые можно применять для решения задач НЛП. Благодаря своей огромной мощности и гибкости нейронные сети можно использовать для решения любой из вышеперечисленных задач в курсе.
Вы узнаете о:
Очевидно, что поскольку новейшие Трансформеры (такие как BERT и GPT-3) являются примерами глубоких нейронных сетей, эта часть курса является необходимой предпосылкой для понимания Трансформеров.
Материал на английском языке
Подробнее:
Скачать:
Название: Машинное обучение: Обработка естественного языка в Python (V2)
Добро пожаловать в раздел «Машинное обучение: Обработка естественного языка в Python» (V2). НЛП: Используйте марковские модели, NLTK, искусственный интеллект, глубокое обучение, машинное обучение и науку о данных в Python.
Это обширный курс 4-в-1, включающий:
1) Векторные модели и методы предварительной обработки текста
2) Вероятностные и марковские модели
3) Методы машинного обучения
4) Методы глубокого обучения и нейронных сетей
В части 1, посвященной векторным моделям и методам предварительной обработки текста, вы узнаете, почему векторы так важны в науке о данных и искусственном интеллекте. Вы узнаете о различных методах преобразования текста в векторы, таких как CountVectorizer и TF-IDF, и изучите основы методов встраивания нейронов, таких как word2vec и GloVe.
Затем вы примените полученные знания для выполнения различных задач, таких как:
- Классификация текстов
- Поиск документов / поисковая система
- Обобщение текста
Вы кратко познакомитесь с классическими задачами НЛП, такими как тегирование частей речи.
Во второй части, посвященной вероятностным и марковским моделям, вы узнаете об одной из самых важных моделей во всей науке о данных и машинном обучении за последние 100 лет. Он применялся во многих областях помимо НЛП, таких как финансы, биоинформатика и обучение с подкреплением.
В этом курсе вы увидите, как такие вероятностные модели можно использовать различными способами, например:
- Создание текстового классификатора
- Cпиннинг
- Генерация текста (генерация стихов)
В части 3, посвященной методам машинного обучения, вы узнаете больше о классических задачах НЛП, таких как:
- Обнаружение спама
- Анализ настроений
- Скрытый семантический анализ (также известный как скрытое семантическое индексирование)
- Тематическое моделирование
Конечно, вам все равно нужно кое-что узнать об этих алгоритмах, чтобы понять, что происходит. Будут использоваться следующие алгоритмы:
- Наивный Байес
- Логистическая регрессия
- Анализ основных компонентов (PCA) / Разложение по сингулярным значениям (SVD)
- Скрытое распределение Дирихле (LDA)
В части 4, посвященной методам глубокого обучения, вы узнаете о современных архитектурах нейронных сетей, которые можно применять для решения задач НЛП. Благодаря своей огромной мощности и гибкости нейронные сети можно использовать для решения любой из вышеперечисленных задач в курсе.
Вы узнаете о:
- Искусственных нейронных сетях с прямой связью (ИНС)
- Вложениях
- Сверточных нейронных сетях (CNN)
- Рекуррентных нейронных сетях (RNN)
Очевидно, что поскольку новейшие Трансформеры (такие как BERT и GPT-3) являются примерами глубоких нейронных сетей, эта часть курса является необходимой предпосылкой для понимания Трансформеров.
Материал на английском языке
Подробнее:
Для просмотра ссылок Войдите в аккаунт или Зарегистрируйтесь
Скачать:
Для просмотра ссылок Войдите в аккаунт или Зарегистрируйтесь
Для просмотра ссылок Войдите в аккаунт или Зарегистрируйтесь
Последнее редактирование:
Похожие темы из этого раздела:
- [myoptionsedge.com] Опционная стратегия - Торговля КРОК [Udemy] (2024)
- [Гари Лямин] Курс для изучения интернет-маркетинга с нуля до уровня PRO [Udemy] (2024)
- [Александр Малейко] Тестирование API (Postman) [Udemy] (2024)
- [Victor Joyeux] Создавайте рекламные и другие видеоролики с помощью искусственного интеллекта AI (2024)
- [Chetan Pujari] ChatGPT мастер проектирования промптов [Udemy] (2024)
- [Faisal Zamir] ChatGPT Мастер - полный курс OpenAI ChatGPT [Udemy] (2024)
- [Frank Anemaet] Набор инструментов для хакеров [Udemy] (2024)
- [Джон X. Маршан] HUMINT (Разведка из человеческих источников). Продвинутый 3 [Udemy] (2021)
- [Alexey Spiridonov] Пассивный доход на рекомендациях и бесплатном трафике [Udemy] (2023)
- [Bogdan Stashchuk] Python - Полный Курс по Python, Django, Data Science и ML [Udemy] (2024)